تخمین تبخیروتعرق مرجع روزانه به کمک مدل یادگیری عمیق، جنگل تصادفی و درخت تصمیم (مطالعه موردی: دشت سیستان)

در شرایط کمبود آب، مدیریت منابع آبی و استفاده کارآمد از آب موجود برای تولید پایدار محصولات مورد نیاز در نواحی خشک و نیمه خشک امری ضروریست. در این بین، تبخیرتعرق نقش بسیار مهمی دارد که یکی از اجزای اصلی چرخه هیدرولوژیکی بوده و تخمین درستی از آن در موفقیت پروژه های آبی و تولید پایدار تاثیر بسزایی خواهد داشت. تعیین دقیق نیاز آبی گیاهان زراعی و باغی راندمان آبیاری را افزایش و در نتیجه مدیریت آب در مزرعه را بهبود خواهد داد. برای برآورد دقیقی از نیاز آبی گیاه، لازم است تا تبخیرتعرق گیاه مرجع، بدرستی محاسبه گردد. در طی چند سال، استفاده از ابزارها و مدل های یادگیری و روش های نوین هوشمند، برای برآورد تبخیرتعرق گیاه مرجع، به طور گسترده رو به رشد بوده است. بنابراین، لازم است تا درستی این مدل ها و روش ها برای مناطق مختلف بررسی شود. منطقه سیستان یکی از مناطق حاصلخیز کشور است که متاسفانه سالیان متمادی است، پدیده خشکسالی، کشاورزی پررونق در این منطقه را بی رمق کرده است. لذا، هرگونه بی توجهی به مقوله آب در این منطقه می تواند خسارت سنگینی برای آن محسوب شود. در این تحقیق، پارامترهای اقلیمی موثر در محاسبه تبخیرتعرق مرجع روزانه در دشت سیستان شناسایی و توسط سناریوهای مختلف (از M? تا M??) از ترکیب پارامترهای هواشناسی (از ایستگاه های مختلف هواشناسی شهرستان زابل بین سال های ????-???? تامین شد) به عنوان ورودی مدل های درخت تصمیم، جنگل تصادفی و یادگیری عمیق، بررسی گردید و بهترین الگو توسط مدل استخراج شد. سپس میزان دقت حاصل از نتایج این مدل ها، با روش تجربی پنمن مانتیث فائو، به عنوان روش مبنا مقایسه گردید. این نتایج نشان دادند که سناریوی M?? با بیشترین ضریب همبستگی(???/?R=) و کمترین خطا (???/?RMSE=) به عنوان بهترین الگو در مدل درخت تصمیم می باشد. در مدل جنگل تصادفی، باز هم برترین سناریو الگوی M?? با ???/?RMSE= ، ?/?MAE= و ???/? R=به عنوان الگوی برتر شناخته شد و همچنین در مدل یادگیری عمیق الگوی M? با ???/?RMSE= ، ???/? MAE=و ???/?RMSE= به عنوان بهترین الگوی در مدل یادگیری عمیق در منطقه مورد مطالعه برگزیده شد. به منظور بررسی اهمیت پارامترهای مختلف هواشناسی در نتایج مدل های مذکور، از بین تمامی پارامترهای مدل درخت تصمیم، بترتیب دمای میانگین، تندی باد، دمای بیشینه و دمای حداقل و در مدل جنگل تصادفی پارامترهای موثر به ترتیب دمای حداکثر، تندی باد، دمای میانگین و تبخیر از تشت و در مدل یادگیری عمیق، به ترتیب دمای میانگین، دمای بیشینه، تندی باد و رطوبت حداقل بیشترین تاثیر و اهمیت را در مقدار تبخیرتعرق روزانه دارند. به عنوان نتیجه گیری کلی می توان گفت که مدل یادگیری عمیق به عنوان بهترین مدل در بین مدل های انتخابی می باشد و همچنین سناریوی M? در مدل یادگیری عمیق از دقت بالاتری (???/?R= و ???/?RMSE=) برای مدل سازی تبخیرتعرق پتانسیل مرجع برخوردار است.

Keywords:

تبخیروتعرق , مدل های یادگیری عمیق , درخت تصمیم , جنگل تصادفی , روش فائو پنمن , مانتیث , سیستان , سناریو